AI不断发展，将简单和准确作为包装质量检查的重点：包装技术主题，柯尔柏纸业科技
柯尔柏纸业科技集成了最新的人工智能，为初级包装质量检查提供了有效的解决方案。包装和数字化产品经理Nicolò Squarzoni讨论了卷积神经网络是如何工作的，以及为什么它们是包装质量视觉检查的最有效解决方案。TISSUE WORLD MAGAZINE报告。
近些年来，消费者经济已经开始接受并欣赏人工智能（AI）。
最初是移动电话中语音、文本和图像识别的基础技术，逐渐扩展到许多其他的应用，如医疗诊断、互联网安全、决策。现在这一技术已经成熟，可以应用于制造环境中的质量检查和其他基于判断的应用。由于CPU计算限制，人工智能无法在更早些的年代被采用，现在这一技术空白已经被填补，一些生产过程可以从新的巨大力量中受益。
柯尔柏纸业科技持续将研发的部分资金投入在人工智能的应用开发中，借此为生活用纸制造商提供解决方案。
最初的成果是一年前以Sam Pack名义推出的包装质量检查系统。该系统知道优良的样本是如何的，然后此系统能够在给定特定公差的情况下识别与之不同的样本。使用相同的方法，Sam Pack还能够学会识别包装的特定缺陷，如印刷不对中、侧面密封缺陷等。
该技术的核心是卷积神经网和深度学习技术的应用，以允许在生产过程中以准确且简单的方式检查包装质量。这里我们将解释这项技术是如何工作的，以及为什么它与人类检测和基于规则算法的传统视觉系统相比具有一致的优势。
卷积神经网背后的概念是模仿人脑中负责图像处理和决策的神经元网络。网络接收要处理的图像作为输入，并将其分为几个层，每个层都具有特定的功能。第一组包括卷积层，负责大幅减少存储在构成图像的像素中的信息量，只留下实际有助于区分输入图像的有用细节，并减少要处理的数据量。这称为特征提取。
第二组包含完全连接的层，它们负责以最佳可能的方式表达出参考图像，并决定随机输入图像与参考图像的相似程度。这个过程叫做分类。该架构的关键在于，每个层都包含定义数量的参数，这些参数需要设置，以便网络从图像中提取正确的细节，正确地表示参考图像，从而正确地确定随机图像是否与参考图像相似。
设置这些参数的过程称为深度学习。它包括向网络提供表示参考的一组图像，在包装质量检查的情况下，这些图像是良好样本的图像，特定算法可以递归地设置参数，以获得以最佳方式执行特征提取和分类的最终配置。
这个学习过程可以在每次参考图像需要改变时完成，例如，从一种包装格式改变成另一种，它只需要扫描几个好的样本。然后软件会自动更新网络。
显然，与传统视觉系统相比，该技术具有很大的优势。它们基于规则算法，这意味着对于要识别的图像的每个细节，需要对特定规则进行编码。这种解决方案在具有非常低可变性的简单图像的情况下是有效的，但在相反的情况下，大量代码行需要高成本来创建、维护和修改，除了高编码技能之外。此外，对于复杂图像，卷积神经网的性能始终更高，并且可以在评估随机图像与参考的相似性时定制网络的决策容差。将Sam Pack与传统的人工检查进行比较，还可以认识到几个优点，例如24小时/7天检查的稳定性、可靠性以及速度。
总之，可以观察到，卷积神经网已被设计为具有人类检查（准确性和灵活性）和自动化检查（可靠性、稳定性和速度）的优点，代表了视觉质量检查的当前技术水平。
本文由柯尔柏纸业科技包装与数字化经理Nicolò Squarzoni为TWM撰写。
请在链接at this link 找到发表在Tissue World杂志上的文章 。